آشنایی با یادگیری ماشین و اهمیت استفاده از آن در تقلید هوش انسانی

این سه دسته عبارت اند از: تحت نظارت، بدون نظارت و سایت vector-robot نیمهنظارتی. دستیارهای هوشمند معمولاً مدلهای یادگیری ماشینی تحت نظارت و بدون نظارت را برای تفسیر گفتار طبیعی و زمینه عرضه ترکیب میکنند. سیستمهای HRIS میتوانند از مدلهای یادگیری ماشین برای فیلتر کردن برنامهها و شناسایی بهترین نامزدها برای یک موقعیت باز استفاده کنند. همچنین، این عاملها میتوانند از یک روند استنتاجی برای استخراج بازنماییهای جدید پیرامون جهان استفاده کنند و از این بازنماییهای جدید برای استنباط آنچه استفاده کنند که باید انجام دهند. الگوریتمهای یادگیری ماشین از دادههای تاریخی به عنوان ورودی برای پیشبینی مقادیر خروجی جدید استفاده میکنند. ترجمه کتاب راسل و نورویگ از جعفرنژاد قمی با عنوان «هوش مصنوعی (رهیافتی نوین)» منبع اصلی درس هوش مصنوعی در دانشگاه پیام نور به حساب میآید. برخی از سرفصلهای دوره آموزشی ریاضیات گسسته شامل حساب گزارهها، استلزام منطقی، سورها، مجموعهها، رابطه و تابع، رابطه و کلاس همارزی، ترتیب جزئی، لاتیس، جبر بول، ساختارهای جبری و سایر موارد است. ماشین لرنینگ موارد استفاده از پیشبینی رفتار مشتری تا تشکیل سیستم عامل برای خودروهای خودران را پشت سر گذاشته است. یک عامل به هر چیزی گفته میشود که بتواند از طریق حسگرها درکی از محیط داشته باشد و به وسیله اهرُمها (Actuator) در داخل محیط عمل انجام دهد.

اگر محیط ناشناخته باشد، عامل باید نحوه کارکرد آن را یاد بگیرد تا بتواند تصمیمهای مناسبی اتخاذ کند. معیار عملکرد رفتار یک عامل در محیط را میسنجد. یک عامل به آنچه گفته میشود که ادراکی از یک محیط به دست آورده و در آن محیط اعمالی را انجام میدهد. در فصل سوم درس هوش مصنوعی ، ملاحظه خواهد شد که چگونه یک عامل میتواند وقتی که هیچ عملی به تنهایی رسیدن به اهداف را محقق نخواهد کرد، دنبالهای از اعمال را برای رسیدن به اهدافش پیدا کند. یادگیری ماشین نیمهنظارتی، هیچ زیرگروه مشخصی ندارد و بیشترین کارایی را زمانی داراست که مجموعه دادههای شما ترکیبی از نقاط دادهی با برچسب و بدون برچسب باشد. • مسئله وابستگی بیشتر بر یافتن قواعد یا الگوهایی تمرکز دارد که از یک مجموعه داده محافظت میکنند. وقتی جریان کاربران در وبسایت خود را تحلیل کرده و بررسی کنید که بیشتر به سمت کدام لینکها کشیده میشوند،در واقع از قانون وابستگی استفاده میکنید. نرمافزار CRM میتواند از مدلهای یادگیری ماشین برای تجزیه و تحلیل ایمیل استفاده کند و اعضای تیم فروش را ترغیب کند که ابتدا به مهمترین پیامها پاسخ دهند.

هنگامی که یک شرکت فرآیندهای اصلی کسب و کار را بر اساس مدلهای مغرضانه قرار میدهد، ممکن است با آسیب قانونی و اعتبار مواجه شود. مفهوم کلی: الگوریتمهای یادگیری ماشین بر اساس مجموعهدادههایی آموزش میبینند که در آن ها یک ورودی فرضی، براساس یک تابع نگاشت، به یک خروجی مشخص میانجامد. برای هر توالی ادراک، یک عامل منطقی باید عملی را انتخاب کند که بر اساس شواهد فراهم شده به وسیله توالی ادراک و دانش درونی عامل، معیار عملکرد بیشینه داشته باشد. یک عامل منطقی (عقلانی) به گونهای عمل میکند که مقدار مورد انتظار معیار عملکرد را بیشینه کند. 1. استفاده از دانش غیررسمی و بیان آن با عبارات رسمی مورد نیاز قالب منطقی خصوصاً وقتی قطعیت دانش کمتر از ۱۰۰ درصد باشد، کار سادهای نیست. مثلاً برنامهای که با داشتن مسافت و مدل یک ماشین، تعداد گالونهای گاز مورد نیاز در یک سفر جادهای را حساب میکند، به الگوریتم رگرسیون نیاز خواهد داشت. در صورتی که یک الگوریتم یا دادهها برای تشخیص الگوها آموزش داده شود، به آن یادگیری غیر نظارت نشده (unsupervised Learning) گفته میشود. به طوری که برنامه، ایمیلها را خوانده و آن ها را براساس محتوایشان، در قالب اسپم یا غیر اسپم دستهبندی میکند.

نمونهای از مسئله دستهبندی، فیلتر اسپم ایمیل شماست. • در یک مسئله دستهبندی، هدف پیدا کردن گروههای خاصی در یک مجموعه داده است. الگوریتمها سه دسته عمده دارند که با نوع مجموعه دادههای آموزشی که به آن ها داده میشود، تعریف میگردند. استفاده از دوره فیلم آموزش یادگیری ماشین با پایتون پس از گذراندن درس هوش مصنوعی به افرادی تصویه میشود که قصد فعالیت در این حوزه را دارند. در اولین بخش از فصل اول درس هوش مصنوعی ، تعاریفی برای AI یا هوش مصنوعی ارائه شده است. ۱۳۵۳: اولین وسیله نقلیه خودران در آزمایشگاه هوش مصنوعی دانشگاه استنفورد ساخته شد. در ادامه، خلاصهای از فصل هفتم درس هوش مصنوعی ارائه شده است. به این ترتیب شرح فصل دوم درس هوش مصنوعی در اینجا به پایان میرسد. در همان سال، اولین هوش مصنوعی عاطفی توسط آزمایشگاه هوش مصنوعی MIT رونمایی شد. برنامهریزی و زمانبندی خودکار: برای این بخش از برنامه عامل راه دور (Remote Agent) ناسا اولین برنامه برای برنامهریزی خودکار در کنترل زمانبندی عملیات مربوط به یک فضاپیما نام برده شده است. اعمالی که عامل میتواند انجام دهد.

وقتی ماشین چنین الگوهایی را بیاموزد، میتواند پیشبینیهایی را انجام دهد که انسان هرگز امکان انجام آن را نخواهد داشت. مثلاً انسان هرگز نمیتواند کاری را بکند که یک موتور جستجو انجام میدهد چون حجم اطلاعات موجود در اینترنت بیش از توانایی پردازش انسان است. نحوه یادگیری یک موجود زنده را در نظر بگیرید. یک الگوریتم «جستجو درختی جامع» تمام مسیرهای ممکن برای یافتن یک جواب را در نظر میگیرد، در حالی که یک «الگوریتم جستجوی گراف» از در نظر گرفتن مسیرهای زائد اجتناب میکند. مثلاً میتوان با استفاده از یک الگوریتم بدون نظارت، پیشبینیهایی درمورد مجموعهای از دادهها انجام داده و نتایج آن را در یک الگوریتم تحت نظارت وارد کرد. طرز کار: میتوان در یک مسئله واحد از شیوههای یادگیری تحت نظارت و بدون نظارت استفاده کرد. برای مثال، اوبر از الگوریتمهایی برای تطبیق رانندگان با سواران استفاده میکند. الگوریتمهایی که بر روی مجموعههای دادهای آموزش داده شدهاند که جمعیتهای خاصی را حذف میکنند یا حاوی خطا هستند، میتوانند به مدلهای نادرستی از جهان منجر شوند که در بهترین حالت، شکست میخورند و در بدترین حالت، تبعیضآمیز هستند. برخی از شرکتها از ماشین لرنینگ به عنوان محرک اصلی در مدلهای تجاری خود استفاده میکنند.

به عنوان مثال میتوان یک سیستم GPS را نام برد که مسیری برای مقصد پیدا میکند. الگوریتم جستجوی آلفا-بتا حرکت بهینه یکسانی را به عنوان یک مینیماکس محاسبه میکند. جستجوی دوجهته: این الگوریتم میتواند به میزان قابل توجهی پیچدگی زمانی را کاهش دهد. جستجوی عمیق تکراری، پیچیدگی زمانی قابل مقایسه با جستجوی عرضی (اول-سطح) و پیچیدگی فضایی خطی دارد. جستجوی عرضی (اول-سطح) کامل و برای هزینههای گام واحد بهینه است، اما پیچیدگی فضایی نمایی دارند. کشف سن و توزیع درآمد مشتریان، نمونهای از مسئله دستهبندی است، چرا که برنامه میتواند به شما نشان دهد کدام گروه سنی و درآمدی رایجتر است. اگر عضو الگوهای خود را تغییر دهد و نتواند پستهای آن گروه را در هفتههای آینده بخواند، فید اخبار مطابق با آن تنظیم میشود. اگر سگ خیلی باهوش باشد، شاید بداند که باید قبل از هیجانزده شدن ببیند که آیا پستچیِ همیشگی آمده یا نه، و تشخیص دهد که هر هفت روز یکبار، هیچکس نمیآید و بدینترتیب مدل پیشبینیکننده خود را دقیقتر و درستتر کند. وقتی صحبت از مزایا میشود، یادگیری ماشین میتواند به شرکتها کمک کند تا مشتریان خود را در سطح عمیقتری درک کنند. با جمعآوری دادههای مشتری و ارتباط آن با رفتارها در طول زمان، الگوریتمهای ماشین لرنینگ میتوانند تداعیها را بیاموزند و به تیمها کمک کنند تا ابتکارات توسعه محصول و بازاریابی را مطابق با تقاضای مشتری تنظیم کنند.

هر تکرار به برنامه کمک میکند دقت، صحت و توانایی خود را در انجام هر وظیفهای که به آن محول شده، بهبود بخشد. انسانها توانایی دیدن الگوها را دارند. توانایی انسان در آموختن انجام خودکار برخی کارها، مثل فهمیدن سخنان شفاهی، قضاوت درمورد شرایط جاده و شناسایی آدمها در یک عکس، بهسادگی به یک برنامه رایانهای تبدیل نمیشود چون مستلزم یادگیری از تجارب است؛ مثل همان کاری که یک انسان میکند. یک برنامه یادگیری ماشین میتواند کاری را انجام دهد که اکثر انسانها قادر به انجام دادنش هستند، مثل جستجوی کلیدواژهها در یک صفحه وب، اما این کار را در مقیاسی انجام میدهد که فقط رایانهها میتوانند. به علاوه یادگیری ماشین به ما اجازه میدهد یک مدل تحلیلی بسازیم که حداقل در سطح نظری، عاری از جهتگیری انسانی باشد. یادگیری ماشین برای تقلید از هوش انسانی در چند مؤلفه طراحی شده است. بهطور کلی، اگر بخواهیم کاری را انجام دهیم که نیازمند انطباقپذیری شبه انسانی است یا برای سنجش و تحلیل، مقیاس بزرگی دارد، به یادگیری ماشین نیاز داریم. اگر عضوی مرتباً برای خواندن پستهای یک گروه خاص توقف کند، موتور توصیه شروع به نشان دادن فعالیتهای بیشتر آن گروه در فید میکند. • دستهبندی مرتب کردن خروجی در چند گروه است.

برای روشن تر شدن موضوع در ادامه چند مفهوم را با هم بررسی می کنیم. مفهوم کلی: یادگیری ماشین نیمهنظارتی قاعدتاً ترکیبی از دو نوع اول است. مفهوم کلی: یادگیری ماشین بدون نظارت در ازای ورودی فرضی، هیچ خروجی درستی ندارد. 3. هیچ عاملی از طریق تجربه امکان یادگیری تمام ورودیهای صحیح جدول را نخواهد داشت. برخلاف یادگیری ماشین تحت نظارت، هیچ پاسخ مورد انتظار و هیچ معلمی وجود ندارد. همچنین مشکل سوگیری ماشین لرنینگ وجود دارد. این پروژهها همچنین به زیرساخت نرم افزاری نیاز دارند که میتواند گران باشد. ماشین لرنینگ به شرکتها دیدی از روند رفتار مشتری و الگوهای عملیاتی تجاری میدهد، همچنین از توسعه محصولات جدید پشتیبانی میکند، به همین دلیل از اهمیت زیادی برخودار است. الگوریتمهای ماشین لرنینگ حتی میتوانند این امکان را برای یک خودروی نیمهخودران فراهم کنند که یک جسم نیمه قابل مشاهده را تشخیص دهد و به راننده هشدار دهد. از گذشتههای دور، برنامههایی وجود داشتهاند که میتوانستند هر نوع مسئله قابل حلی را در قالب منطقی حل کنند. در برخی از محیطهای رقابتی، رفتار تصادفی منطقی و عقلانی است چون از مشکلات پیشبینیپذیری اجتناب میشود.

سگ رفتار خود را طبق این الگو تنظیم میکند. در پشت صحنه، موتور در حال تلاش برای تقویت الگوهای شناخته شده در رفتار آنلاین اعضا است. در ادامه، به فصل اول درس هوش مصنوعی پرداخته شده است. در فصل هفتم درس هوش مصنوعی ، کار با طراحی کلی عامل آغاز میشود. عامل باید بر حالت داخلی نظارت داشته باشد. کار این تابع ارزیابی ابتکاری تخمین زدن میزان مطلوبیت یک حالت است. یادگیری ماشین کاربردی از هوش مصنوعی است که امکان یادگیری خودکار و بهبود تجربه یادگیری را بدون برنامهریزی دقیق برای ماشین فراهم میکند. در فصل چهارم درس هوش مصنوعی به الگوریتمهای ژنتیک اشاره شده است. الگوریتمهای یادگیری ماشینی میتوانند حجم عظیمی از دادهها را پردازش کرده و براساس این اطلاعات، پیامدها و الگوها را پیشبینی نمایند. این برنامه میبایست از این الگوها استفاده کرده و مدل پیشبینیکنندهای ایجاد کند که از دادههای دریافتشده، یاد بگیرد. یادگیری ماشین دقیقاً همان کاری را می کند که از عنوانش برمی آید. منطق گزارهای میتواند گزارههایی را مدیریت کند که درست، غلط یا کاملاً ناشناخته تلقی میشوند. پروژههای یادگیری ماشین معمولاً توسط دیتا ساینسها یا دانشمندان داده هدایت میشوند که حقوق بالایی دارند. مبارزه با هرزنامه: الگوریتمهای یادگیری برای جلوگیری و مقابله با هرزنامهها عملکرد مطلوبی دارند.

الگوریتمهای تصادفی (Stochastic Algorithms) بسیاری از جمله شبیهسازی تبریدی (Simulated Annealing) خلق شدهاند. در محیطهای غیرقطعی، عاملها میتوانند جستجوی AND-OR را برای تولید مقاصد تصادفی به کار بگیرند. یادگیری ماشین بر توسعه برنامههای کامپیوتری تمرکز دارد که میتوانند به داده دسترسی داشته و از آن برای یادگیری به صورت خودکار استفاده کنند. سیستمهای پیشرفتهتر حتی میتوانند پاسخهای بالقوه موثر را توصیه کنند. فروشندگان BI و تجزیه و تحلیل از یادگیری ماشین در نرم افزار خود برای شناسایی نقاط داده بالقوه مهم، الگوهای نقاط داده و ناهنجاریها استفاده میکنند. یعنی دادهها را تحلیل کرده و به دنبال یک الگو یا روند زیربنایی میگردد. هدف از این نوع یادگیری ماشینی، تحلیل دادهها بهطور کلی و کشف واقعیاتی در مورد ساختار زیربنایی است. در این رویکرد، الگوریتمها به دو دسته کلی نظارت شده و نظارت نشده تقسیم میشوند. قیاسهای منطقی (syllogism) فیلسوف یونانی، آریستاتول، الگوهایی برای ساختارهای استدلال فراهم میکنند که در صورت در اختیار داشتن فرضیات درست، به نتایج درستی منتج میشوند. رابطه پیامد منطقی (Entailment) بین جملات برای رسیدن به درکی از استدلال بسیار اهمیت دارد.